多元数据处理——因子分析法

第一篇：多元数据处理——因子分析法

多元数据处理

---因子分析方法

多元数据处理主要包括多元随机变量，协方差分析，趋势面分析，聚类分析，判别分析，主成分分析，因子分析，典型相关分析，回归分析以及各个分析方法的相互结合等等。本文主要针对其中的因子分析方法展开了论述，并举了一个因子分析法在我国房地产市场绩效评价中的应用实例。

第一章 因子分析方法概述

1.1因子分析的涵义

为了更全面和准确的测量和评估对象的特征，在实际的应用中，我们往往尽可能多的选用特征指标进行系统评估，选取的指标越多，就越能全面、客观的反映评价对象的特征。选取众多指标的同时也带来了统计分析的困难：

一、不同的指标，不同重要程度需要赋予不同的权重，而靠主观的评价避免不了一些失误与错误。

二、收集到的指标之间可能存在较大的相关性，大量收集指标带来了人力、物力和财力的浪费。而因子分析方法则较好的解决了上述问题。

因子分析[1]是一种多元统计方法，该方法起源于20世纪初 Karl Pearson 和 Charles Spearman 等人关于心理测试的统计分析，它的核心是用最少的相互独立的因

[2]子反映原有变量的绝大部分信息。通过分析事物内部的因果关系来找出其主要矛盾，找出事物内在的基本规律。

因子分析的基本思想是通过变量的相关系数矩阵内部结构的研究，找出能控制所有变量的少数几个随机变量去描述多个变量之间的相关关系，但是，这少数几个随机变量是不可观测的，通常称为因子。然后根据相关性的大小把变量分组，使得同组内的变量之间相关性较高，使不同组内的变量相关性较低[3]。对于所研究的问题就可试图用最少个数的所谓因子的线性函数与特殊因子之和来描述原来观测的每一变量[4]。因子变量的特点：第一，因子变量的数量远小于原指标的数量，对因子变量的分析能够减少分析的工作量；第二，因子变量不是原有变量的简单取舍，而是对原有变量的 1

重新组构，他们能够反映原有变量的绝大部分信息，不会产生丢失；第三，因子变量之间线性相关性较低；第四，因子变量具有命名解释性[5]。因子分析可以消除指标间的信息重叠，抽象出事物的本质属性，不仅可以综合评价，还可以综合分析对其产生影响的主要因素。

1.2因子分析统计模型

设p个可以观测的指标为X1,X2,X3，XpF1,F2,F3，Fm，则因子分析模型描述如下：[6] [7]

X1a11F1a12F2a1mFm1X2a21F1a22F2a2mFm2Xpap1F1ap2F2mp，m个不可观测的因子为

apmFmp

其中：m

F(F1,F2,Fm)是不可测的向量，我们把F称为X的公共因子，其均值向量

E,p)是特（F）=0，协方差矩阵Cov（F）=1，即向量的各分量是相互独立的(1,2,殊因子，与F相互独立，且E（e）=0。

A(aij)，aij为因子载荷，数学上可以证明，因子载荷aij就是第 i 指标与第 j因子的相关系数，载荷越大，说明第j个指标与第i个因子的关系越密切；反之载荷越小，关系越疏远[8]。

1.3因子分析步骤

（1）原始数据的标准化

原始数据的标准化包括指标正向化合和无量纲化处理两方面。在多指标的评价中，有些指标数值越大，评价越好；有些指标数值越小，评价越好，这种指标称为逆向指标；还有些指标数值越靠近某个具体数值越好，这种指标称为适度指标。根据不同类型的指标需要将逆向指标、适度指标转化为正向指标，此过程称为指标的正向化。指标正向化过程既可以在无量纲化前处理也可以在无量纲化时处理。逆向指标可以选用公式X'i(XmaxXi)/(XmaxXmin)。其中，Xmax、Xmin分别为指标的最大与最小值。适度指标方面，叶宗裕[9]认为正向化可以采用指标值减去适度值的绝对值的相反数。公式为Yxy|XxyM|。其中Yxy为正向后数据，Xxy为原始数据，M为适度值。

指标的无量纲化则是通过标准化处理，将不同的指标通过数学变换转化为统一的相对值，消除各个指标不同量纲的影响。常用的无量纲化包括：标准化法、均值法和极差正规化法。本文采用最常见的标准化法进行无量纲化处理，公式处理如下：（X是X的期望值，X是 X 的标准差）

ZXXX（2）计算相关矩阵 R 的特征值和特征向量

根据特征方程|RE|0，计算相关相关矩阵的特征值及对应的特征向量A，的大小描述了各个因子在解释对象所起的作用的大小。

（3）计算因子贡献率及累积贡献率，确定公共因子个数

因子贡献率表示每个因子的变异程度占所有因子变异程度的比率，公式为：

i

Ci

i1Pi，Ci表示方差贡献率。当累积贡献率达到85%以上或者特征根不小于1，即确定了公因子的个数。

（4）求解初始因子载荷矩阵

X=AF，因子载荷矩阵A并不唯一，软件则是运用不同的参数估计方法求出相应的估计矩阵，参数估计方法主要包括：最小平方法、极大似然法、主成分法、主因子法、多元回归法。

（5）因子载荷矩阵的旋转

若因子载荷较为平均，初始的因子载荷矩阵描述的经济含义不太明显，难以判断与各个因子的关系时，就需要进行因子旋转。通过因子旋转，使使旋转后公共因子的贡献更加分散，并对主因子进行命名，确定经济含义[10]。因子旋转主要有正交旋转法和斜交旋转法。

（6）计算样本的综合得分

通过因子载荷矩阵，可以得出因子的因子得分系数矩阵 B。然后计算出每个因子的得分F=BZ，最后以各因子的方差贡献率占因子总方差的贡献率的比重作为权重加权汇总，得到应变综合得分

F1i1mF12ii1mF2mii1mFmi 3

第二章 我国房地产市场绩效实证研究

运用构建的房地产市场绩效评价指标体系及因子分析方法实证分析2007、2008、2009三年我国 31个省市各房地产市场的绩效水平，利用 SPSS 软件进行因子分析与评价。我国房地产业市场绩效指标体系见表2-1。

表 2-1 我国房地产业市场绩效指标体系

由上面的指标体系可以看出，我国房地产业市场绩效包括三个层次，第一层为为总体层，总体层又称为目标层，它反映了此指标体系的目的。第二层为状态层，本文分五个方面对目标层进行解释。

2.1 数据的采集和整理

根据本文构建的房地产绩效评价指标体系，选取了《房地产统计年鉴》中 2007-2009年我国31个省市基础数据（不包括台湾省、香港特别行政区、澳门特别行政区3个地区）。

2.2 数据的同向化处理

本文中评价房地产业市场绩效的指标中 X16房屋空置面积这个指标是绩效评价的逆向指标，并不是越大越好，为了与其他指标保持同向性，需要将其转化为正向指标，转化公式为X'i(XmaxXi)/(XmaxXmin)。其中，Xmax为评价指标最大值，Xmin为评价指标最小值。

2.3 数据的标准化处理

由于不同变量之间存在了不同量纲、不同数量级的情况，需要对原指标数据进行标准化处理，把不同指标数据转化成相同量纲的数据，是得各指标数据具有可比性。

标准化处理方法如下：

ZXX（X是 X的期望值，X是X的标准查差）

X2.4 确定是否适合因子分析：KMO检验和Bartlett球形检验

KMO 检验给出抽样充足量的测度，检验变量间的偏相关系数是否过小。Bartlett 球形检验检验相关系数矩阵是否是单位阵，如果是单位阵，则表明不适合采用因子模型。经SPSS检验结果如下表 2-2。

根据 Kaiser 给出的是否做因子分析的 KMO 标准为： KMO>0.9，非常适合；0.9>KMO>0.8，适合；0.8>KMO>0.7，一般；0.7>KMO>0.6，不太适合；KMO<0.5 不适合，故 KMO 检验通过。同时，相伴概率为 0.000，小于显著水平0.05，表明 Bartlett球形检验通过，所以本文所选的变量适合做因子分析。

表2-2

KMO检验结果和Barlett球形检验结果

2.5 指标相关性检验

根据本文构建的房地产业市场绩效指标体系，借助于多元分析软件 SPSS，利用我国 2007 年房地产业基础数据对我国房地产业市场绩效做出分析与评价。通过 SPSS 软件进行的相关性分析，得到2007年全国各省市房地产市场绩效评价指标的相关系数矩阵，如表2-3

表 2-3 Correlation Matrix（相关系数矩阵）

续上表

通过以上相关系数矩阵的分析可以看出，各个房地产市场绩效指标之间有较大的相关性，如果单纯以一个指标来评价市场绩效指标就会存在不够准确甚至重迭。为了消除指标间的重迭，简化计算，可以采用因子分析的方法进行降维处理，把原来比较复杂的相关矩阵内部找出几个综合指标，使综合指标为原来变量的线性组合，利用相对较少的因子研究市场绩效。

2.6 共同度分析

根据变量共同度的统计意义，它刻画了全部公共因子对于原始变量的总方差所作的贡献，它说明了全部公共因子反映出原变量信息的百分比[11]。如下表 2-4 所示的

变量共同度可知，除了X13企业所有者权益、X14从业人数、X15房屋销售价格、X16商品房空置面积、的共同度为0.880、0.878、0.877、0.705，其余变量的共同度都在90%以上，因此这四个公共因子对各变量的解释能力是比较强的。采用因子分析房地产市场绩效的效果是比较好的。

表2-4 共同性公因子方差

2.7 公共因子分析

因子载荷是公共因子与指标变量之间的相关系数，载荷越大，说明公共因子与指标变量之间的关系越密切。在确定公共因子个数时，先选择与原变量数目相等的因子个数，其因子计算结果见下表2-5。取初始特征矩阵大于1的因子为公共因子。经过总方差分解，可以明显看出有二个因子旋转后特征值大于1，它们的方差贡献率分别为50.574%、41.199%，累计贡献率为91.772%。当累积贡献率达到85%以上，因此完

全可以采用这二个因子概况原始数据对全国31个省市的房地产市场绩效做出评价是合适的。

表 2-5 总方差分解

从未转轴的因素矩阵（见下表2-6）可以看出，结果并不非常令人满意，有2个因素被抽取，所以本文采用方差最大化正交旋转方法对因子进行了旋转，得到了因子载荷矩阵，进而更清楚地观察样本。从旋转后的因素矩阵（见下表2-7）可以看出：

（1）X4本年购置土地面积、X6新开工面积、X10商品房销售套数、X9商品房销售面积、X7商品房屋竣工面积、X5房屋施工面积、X1企业个数、X14从业人数、X2本年完成投资额、X16商品房空置面积为第一主因子，他们的载荷值分别为：0.959、0.948、0.926、0.894、0.848、0.835、0.802、0.781、0.728、0.630；这些指标都是从一个方面反映关于房地产开发销售方面的情况，故可以命名此公共因子F1为：房地产市场开发销售。

表 2-6 未旋转因素矩阵表

2-7 转轴因素矩阵

（2）X15房屋销售价格、X13企业所有者权益、X11企业利润总额、X12企业

经营收入、X8商品房销售额、X3本年资金来源合计为第二因子，他们的载荷值分别为：0.935、0.908、0.874、、0.872、0.816、0.796；这些指标都是在一定程度上能够反映房地产企业的经济效益，故可以命名此公共因子F2为：房地产企业综合效益水平。

2.8 计算因子得分计算分析及结果

表2-8 为因子得分系数矩阵，根据因子得分系数和原始变量的值可以计算出每个观测值的各因子的分数，并可以据此对观测值进行下一步的分析。旋转后的因子得分表达式与计算结果如下：

表 2-8 2007年各因子得分系数矩阵

由估计出的因子的得分，可以描述我国各省市绩效水平，利用因子得分可以从不同的角度对我国各省市房地产市场绩效水平进行比较分析。为了对我国各省市房地产业市场绩效进行评价，现利用各省市因子得分表计算综合得分，各省市房地产市场绩效的获取是基于总方差分解表中旋转后各因子的方差贡献率及计算所得的上市公司各因得分所得，其具体计算公式为：

综合绩效=（50.574%×F1+41.199%×F2）/91.772%。详细情况见表 2-9。

表 2-9 2007年31个省（市）各因子得分及排名

为了更直观的观察，本文也给出了样本城市因子的柱状图，如下图2-1，由表2-9可以看出2007年北京、上海在房地产市场开发因子F1得分仅-0.541、-0.8737，在31个省市自治区排名分别为21、26；而在房地产企业综合绩效F2得分为2.6789、3.4528，排名为第二、第一。江苏、广东在因子F1得分分别为：2.5437、1.6465，排名第一、第三；在因子F2得分为：0.3358、2.0979，排名第六、第三。江苏、广东在因子F1、F2得分均靠前。

图 2-1 2007 年各省市因子得分

使用同样的方法我们也给出了2008年及2009年各省市因子得分及排名情况。如表2-10和2-11所示。

通过表2-

9、2-

10、2-11的分析可知，广东、江苏、浙江三省份在因子F1房地产市场开发销售、F2房地产企业综合效益得分均较高，发展相对平衡，总的绩效水平高。而其他各省市都有某一个因子或两个得分相对较低，即所谓的“短板”，发展不平衡影响了其总的绩效水平。

由表2-12可以看出，2007-2009三年内北京综合绩效得分排名从第五下降到第八，上海从第三下降到第七，市场绩效没有得到提高，房地产发展存在一定问题；江苏从2007年的第二到2009年的第一，山东从2007年的第六到2009年第三，绩效持续提高。西藏、陕西、甘肃、青海、宁夏、新疆等省市排名一直靠后，绩效水平没有得到提高。

表 2-10 2008年31个省（市）各因子得分及排名

表 2-11 2009年31个省（市）各因子得分及排名

表 2-12 2007-2009年31个省（市）综合得分及排名

2.9 房地产市场绩效综合评价实证结果分析

2.9.1 房地产市场绩效的综合得分分析

通过因子分析法得到31个省（市）房地产市场绩效的2项因子得分及综合得分，按照综合得分从高到低排名如表2-12所示。综合得分越高，表明其市场绩效水平越好。综合得分为零或者负值，并不代表其绩效水平为负，这里仅是将各省市的平均绩效水平作为零点。根据综合得分可以给我国各省市绩效水平层次分类，分为四类，见表

2-13。

我国房地产市场绩效跟经济水平有很大关系，沿海东部省市绩效水平靠前，经济发展落后的西部地区绩效水平相对较差。

表 2-13 我国各省市绩效水平层次分类

2.9.2 各省市房地产绩效的主因子得分分析

房地产市场开发销售因子F1反映了一个省市在房地产市场的开发、投入、销售等方面的水平。方差贡献率最大。2007年为50.574%、2008年为55.895%、2009 年为54.716%。

根据2007-2009三年来因子F1得分可以把我国31个省市分为四个层次。如表2-14所示

表 2-14 我国各省市因子F1层次分类

根据2007-2009三年来因子F2得分可以把我国31个省市分为三个层次。如表2-15所示。

因子F2大部分城市没有达到平均水平，都处于相对落后的水平，这跟当地的房地产企业发展水平有很大的关系。北京、上海为国际化大都市，房地产企业众多，房地产综合效益水平较高，此两个直辖市房地产业综合效益要比其他地区有优势，房地

产企业 经营收入、销售利润更多、房地产企业发展更快。而中部及西部落后城市，经济发展较为缓慢，房地产企业较少，企业综合效益水平低。导致得分相对较低。

表 2-15 我国各省市因子F2层次分类

参考文献

[1] 晓群, 统计学.现代统计分析方法与应用[M].中国人民大学出版社, 1998.[2] 张丽.基于因子分析法的基金综合绩效评价研究 [D].中南大学, 2007.[3] 李斌, 蒋涛, 吴俊芳, 等.房地产行业上市公司绩效评价的实证研究[J].特区经济, 2007(3): 122-123.[4] 陆璇.实用多元统计分析[J].2001.[5] 薛微.统计分析与 SPSS 的应用[J].北京:中国人民大学出版社, 2001: 234-256.[6] Anderson T W.An Introduction To Multivariate Stsisical Analysis[J].1954.[7] 张斌, 府亚军.我国房地产上市公司经营业绩实证研究[J].北京机械工业学院学报, 2006, 20(3): 62-66.[8] Harva M, Kabán A.Variational learning for rectified factor analysis[J].Signal Processing, 2007, 87(3): 509-527.[9] 余有贤.我国地方政府绩效评估指标体系构建与实际测评[D].浙江大学, 2005.[10] 王家远, 袁红平.基于因子分析法的建筑业综合评价[J].深圳大学学报: 理工版, 2007, 24(4): 373-378.[11] 周刚, 孙尧, 许远明.我国房地产业市场结构探析[J].重庆建筑大学学报(社科版), 2001, 3.

第二篇：因子分析法典型案例

案例：基于因子分析法的高级管理者 人力资源价值计量模型

一、背景介绍及问题提出 1.人力资源价值计量的背景 著名会计学家 W.A 佩顿(Paton)教授曾经睿智地指出：在企业中，良好组织且忠诚的员工是一项远比商品更为重要的“资产”。对于这样重要的“资产”为什么直到现在都没有纳入财务会计核算体系呢？人力资源价值信息没有在财务报表体系中加以披露的原因是：人力资源的价值计量是一个难题，使得人力资源会计一直处于理论探讨和实验阶段，未能登堂入室。人力资源价值计量研究目的在于：用人力资源的创造能力来反映组织现有人力资源的质量状况及企业对人力资源的能力回报，为企业管理当局和外部利害关系集团提供完整的决策信息。2． 高级管理者人力资源的研究背景 高级管理者是企业的核心和灵魂，在企业人力资源中居于中心地位是一种稀缺的生产要素，对高级管理者人力资源的垄断是超额剩余价值的主要来源，几乎每一个优秀的企业都与企业中高级管理团队紧密地联系在一起的。3.问题的提出 在人力资源价值计量发展的完善的过程中，如何动态地、客观地、科学地综合评价高管的价值，一直是困扰人力资源价值计量的一个难题，许多专家和学者采用未来收益折现或期权定价等方法对人力资源价值进行计量；未来收益折现是以工资为基础对高级管理者的未来收益进行折现，这种货币计量方法存在主要问题在于工资不能反映人力资源真实价值，因为高级管理者人力资源价值本身存在复杂性、隐蔽性及能动性，仅以工资作为衡量人力资源价值的大小的标准，忽略了高级管理者在企业价值创造中的特殊性。由于高级管理者人力资源存在某些特性。因此，对高级管理者的采用非货币计量的方法更加具有现实的意义。

二、问题研究的意义

1、人力资源价值的科学计量会使企业更加全面、科学的掌握高级管理者的信息并更加重视人力资源的作用，从而为了保留和争取人才，对企业的高级管理者进行有效的激励。

2、对高级管理者人力资源价值计量的准确与否，关系到企业总资产的精确程度和企业未来发展的能力。对高级管理者人力资源价值的准确计量有利于实现人力资源会计核算体系的建立。

三、案例思路 首先，在分析高级管理者人力资源价值计量的基本理论与其特性分析的基础上，案例建立影响高级管理者人力资源价值计量的指标体系，该体系由 29 个初级指标构成(如下图一所示)。其次，通过问卷调查的方式，应用因子分析法对上述29 个指标进行筛选。隐性因子 学历 天赋 社会资本 任职时间 职业背景 职业生命周期 薪酬 年龄 体质能力 心理能力 领导能力 战略决策能力 风险承受能力 人力资源管理能力 领导管理因子 创新能力 学习能力 洞察能力 沟通能力 组织能力 团队协作能力 个人特征及组织环境因子 价值观 忠诚感 道德行为 敬业精神 乐观自信 理智 情绪稳定 企业规模 职位 图一 高级管理者人力资源价值指标体系

四、数据说明：案例采用问卷调查的方式进行数据收集。问卷发放的数量：本次共发放问卷180 份，其中包括电子文档和纸质问卷，共回收有效问卷103 份，有效回收率为57.22%。问卷内容的设计：案例在分析了高级管理者人力资源价值计量的理论基础和特性分析的基础上建立了高级管理者人力资源价值指标体系。问卷的调查内容是该指标体系中的指标，由企业的高级管理人员依据各指标对高级管理者人力资源价值计量的影响做出基本判断。问卷结构的设计：首先，针对案例提出的 29 个指标要素，设计了 29 个判断指标程度的问题。通过被调查者选择打分的方式，获得各指标的具体分值。所有问题都划分为 7 选项对应 7 个程度，由管理者根据题目的内容进行选择。然后采用 7 分模糊打分法，每一个选项对应一个分值，选择第一选项为 7 分，第二选项为6 分，依次为5 分、4 分、3 分、2 分、1 分（调查问卷如下所示）。高级管理者人力资源价值计量方法研究调查问卷 首先，感谢您在百忙之中填写问卷，您的意见至关重要。为了客观、准确地建立科学的高管人力资源价值计量模型，我们特进行此次《高级管理者人力资源价值计量方法研究》问卷调查。其次，本次问卷结果仅用于科研用途，调查数据我们将严格保密，不会用于任何与商业有关的用途！您的个人基本信息： 您的性别？ □ 男 □ 女 您的年龄？ □34 岁以下 □35-44 岁 □45-54 岁 □55 以上 您参加工作的时间？ □5 年以下 □6-10 年 □ 11-20 年 □21 年以上 您所在企业资产规模？ □100 万以下 □100 万-1000 万 □ 1000 万-1 亿 □ 1 亿以上 所在行业性质？ □ 国营 □ 私营 □ 外资或合资 您目前的职位：_____________________________________________________ 感谢您的支持！问卷正文： 1.您是否认为学历是影响高级管理者知识丰富程度的关键因素？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 2.您是否认为天赋影响高级管理者管理技能的发挥？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 3.您是否认为高管自身的社会资本是高级管理者价值的体现？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 4.您是否认为任职时间长短决定高级管理者职业技能优劣？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 5.您是否认为职业背景会影响高级管理者在管理过程中职业技能水平的发挥？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 6.您是否认为所处职业生命周期不同阶段会影响高级管理者管理水平的发挥？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 7.您是否认为薪酬是高级管理者职业能力的一种体现？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 8.您是否认为年龄是影响高级管理者健康程度的要素？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 9.您是否认为体质能力是高级管理者健康与否的一个标志？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 10.您是否认为心理承受能力会影响高级管理者水平的发挥？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 11.领导能力是高级管理者必备技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 12.战略决策能力是高级管理者必备技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 13.风险承受能力是高级管理者必备技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 14.人力资源管理能力是高级管理者必备的技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 15.创新能力是高级管理者必备的能力，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 16.学习能力是高级管理者必备的能力，您认同吗？ A.非常赞同 B.赞同 C.基本赞同 D.不确定 E.不大赞同 F.不赞同 G.非常不赞同 17.洞察能力是高级管理者必备的能力，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 18.沟通能力是高级管理者必备的技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 19.组织能力是高级管理者必备的技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 20.团队协作能力是高级管理者必备的技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 21.高管的价值观影响高级管理者职业素养，您认同吗? A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 22.高管的忠诚感影响高级管理者职业素养，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 23.高管的道德行为影响高级管理者职业素养，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 24.高管的敬业精神影响高级管理者职业素养，你认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 25.是否乐观自信决定高级管理者技能水平的发挥，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 26.是否理智决定高级管理者技能水平的发挥，您认同吗? A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 27.情绪是否稳定决定高级管理者技能水平的发挥，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 28.企业规模会影响高级管理者自身人力资本价值的发挥，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 29.目前所在职位会影响高级管理者自身人力资本价值的发挥，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同

五、数据分析

1、隐性指标公共因子筛选 高级管理者人力资源价值隐性因子，反映了管理者本身的健康因子及在教育投资和职业发展过程累积价值。1.1 隐性因子分析及统计性描述 案例在分析了高级管理者人力资源价值的理论及特性基础上，经过仔细甄选，选用了学历、天赋、社会资本，这些具有代表性的个人资本积累指标；任职时间、职业背景、职业生命周期、薪酬，这些具有代表性的职业因子指标，及反映健康指标的因子：年龄、体质能力、心理能力作为计量管理者人力资源价值基础指标。经过SPSS 数据分析，高级管理者人力资源价值隐性因子总体描述性统计如下表 经过统计分析，分别得到具体指标的平均值和标准差。例如：学历因素的平均得分为 4.74 分(基本赞同)，标准差为 1.281，标准差较大，总体而言学历的作用比较显著，但由于其标准差较大，因此学历在高级管理者人力资本价值中所体现的作用仍有较大的差异。1.2 隐性因子指标的相关性判定 相关系数实际上反映的是公共因子起作用的空间。偏相关系数反映的是特殊因子起作用的空间。在进行相关矩阵检验时采取KMO 样本测度和巴特利特球体检验法。KMO 越接近1，越适合做公共因子分析。KMO 过小，不适合于作因子分析。数据是否做因子分析，一般采用如下判断：KMO 在0.9 以上，非常适合；0.8-0.9, 很适合；0.7-0.8，适合；0.6-0.7，不太适合；0.5-0.6，很勉强；0.5 以下不适合。利用 SPSS 分析后高级管理者人力资源价值隐性因子的相关性检验如表隐性因子的相关性说明：KMO 样本测度的结果为KMO 值等于0.628，一般来说，当KMO 样本测度大于0.6 的时候，此组数据适合做因子分析，巴特利特球体检验(Bartlett'sTestofSphericity)的了统计值的显著性概率输出结果为<1%。通过 KMO 样本测度和巴特利特球体检验的测算结果，表明本文选取的各代表隐性因子指标，适合采用因子分析法进行统计分析。1.3 利用 SPSS 软件提取领导隐性指标的公共因子 得到初始载荷矩阵和公共因子之后，为了能够能更好地解释公共因子，案例 对载荷矩阵进行旋转，案例选用的是 Varimax（方差最大正交旋转），旋转后的因子载荷矩阵及因子得分系数都发生了变化，因子载荷矩阵中的元素更趋向 0 或者正负1。在估计因子载荷矩阵和特性方差矩阵时，选用的方法为主成分分析法，统计分析的结果见下表： 旋转后的高级管理者人力资源价值隐性因子载荷矩阵，可以获得因子的代表性指标：在旋转后的因子荷重矩阵中，案例选取那些荷重较大的原始指标作为对应因子的代表性指标。教育投资因子：选取学历、天赋指标作为因子4 的代表性指标；在因子4 中，管理者的学历、天赋指标表现了管理者的受教育程度及在先天潜能的要素，故将其称为教育投资因子。个体能力因子：选取心理能力、体质能力指标作为因子 3 的代表性指标；组织行为学对个体的研究结论表明：能力（ability）指的是个体能够成功完成各项工作的可能性。它是对个体现在所能做的事情的一种评估。一个人的总体能力分为心理能力和体质能力，故将其合称为个体能力因子。工作经验因子：选取任职时间、薪酬、年龄指标作为因子 2 的代表性指标，表现的是跟工作经历相关的要素，故称其工作经验因子。职业因子：选取社会资本、职业背景、职业生命周期作为因子 1 的代表性指标，因其指标选表现了与管理者职业相关的要素，案例将其称为职业因子。通过上述分析，案例得到关于隐性指标的四个公共因子分别是：教育投资因子个体能力因子、工作经验因子及职业因子。1.4 隐性指标公共因子的方差贡献率分析 案例中公共因子方差贡献率分析的目的在于：分析提出的公共因子代表原始指标的程度。即分别分析了教育投资因子、个体能力因子、工作经验因子及职业因子对原隐性因子10 个指标的反映程度。具体分析的分析结果见下表： 各公共因子方差贡献率分析结果说明：根据因子方差分析表可知，因子 1 的其方差贡献率为23.76%；因子2 的方差贡献率为12.89%；因子3 的方差贡献率为 11.77%；因子 4 的方差贡献率为 10.29%。这四个因子能反映原来 10 个指标所描述特征的58.71%。1.5 根据因子系数得分表确定隐性指标公共因子的权重比例 案例通过旋转后的高级管理者人力资源价值隐性因子载荷矩阵和高级管理者人力资源价值隐性因子方差分析表得到了各个公共因子及各因子的对隐性因子的方差贡献率。经过进一步分析，通过隐性因子因子得分矩阵表则可以对各个因子赋予相应权重。分析结果说明：根据表4.7 在因子分析中得到的因子系数得分矩阵，通过归一化处理，对教育投资因子、个体能力因子、工作经验因子及职业因子的赋予权重如下： 职 业 因 子=31.67%社会资本+36.66%职业背景+31.67%职业生命周期 工作经验因子=30.39%任职时间+34.10%薪酬+35.51%年龄 个人体能因子=59.5%体质能力+40.5%心理能力 教育投资因子=53.14%学历+46.86%天赋 综上所述，案例通过对旋转后的高级管理者人力资源价值隐性因子载荷矩阵，确定了反映隐性因子指标的四个公共因子分别为：教育投资因子、个体能力因子、工作经验因子及职业因子。通过隐性因子因子得分矩阵表，确定了各公共因子的权重构成比例。

2、领导管理指标公共指标筛选 高级管理者人力资源价值领导管理因子，反映了管理者在生产经营过程中的领导和管理技能。2.1 领导管理因子分析及统计性描述 案例分析了高级管理者人力资源价值的理论及特性基础上，经过仔细甄选选用了战略决策能力、风险承受能力、人力资源管理能力、创新能力，这些具有代表性指标反映高级管理者领导能力；沟通能力、组织能力、团队协作能力作为管理因子的指标；及反映高级管理者今后发展空间的拓展因子包括：领导能力、学习能力、洞察能力。经过 SPSS 数据分析，高级管理者人力资源价值领导管理因子总体描述性统计如下表： 经过统计分析，分别得到具体指标的平均值和标准差。例如：领导能力因素 的平均得分为6.17 分(赞同)，标准差为0.943,标准差中等，总体而言领导能力的作用较为显著，但由于其标准差适中，因此领导在高级管理者人力资本价值中所体现的作用存在一定差异性，但差异性相对不大。2.2 领导管理因子指标的相关性判定 相关系数实际上反映的是公共因子起作用的空间。偏相关系数反映的是特殊因子起作用的空间。在进行相关矩阵检验时采取KMO 样本测度和巴特利特球体检验法。KMO 越接近1，越适合做公共因子分析。KMO 过小，不适合于作因子分析。数据是否做因子分析，一般采用如下判断：KMO 在0.9 以上，非常适合；0.8-0.9, 很适合；0.7-0.8，适合；0.6-0.7，不太适合；0.5-0.6，很勉强；0.5 以下，不适合。利用 SPSS 分析后高级管理者人力资源价值领导管理因子的相关性检验如下表： 领导管理因子的相关性说明：KMO 样本测度的结果为KMO 值等于0.809，当 KMO 样本测度大于 0.8 的时候，此组数据非常适合做因子分析，巴特利特球体检验(Bartlett'sTestofSphericity)的了统计值的显著性概率输出结果为<1%。通过KMO 样本测度和巴特利特球体检验的测算结果，表明案例选取的各代表领导管理因子指标，适合采用因子分析法进行统计分析。2.3 利用 SPSS 软件提取领导管理指标的公共因子 得到初始载荷矩阵和公共因子之后，为了能够能更好地解释公共因子，案例 对载荷矩阵进行旋转，选用的是 Varimax（方差最大正交旋转），旋转后的因子载荷矩阵及因子得分系数都发生了变化，因子载荷矩阵中的元素更趋向0 或者正负1。在估计因子载荷矩阵和特性方差矩阵时，选用的方法为主成分分析法，统计分析的结果见表 旋转后的高级管理者人力资源价值领导管理因子载荷矩阵，可以获得因子的代表性指标：在旋转后的因子荷重矩阵中，案例选取那些荷重较大的原始指标作为对应因子的代表性指标。领导技能因子：选取战略决策能力指标、风险承受能力指标、人力资源管理能力指标、创新能力指标作为因子 1 的代表性指标，在因子 1 中，各个指标都表现了管理者的领导技能的要素，故将其称为领导技能因子； 管理因子：选取沟通能力指标、组织能力指标、团队协作能力指标作为因子 2 的代表性指标，在因子 2 中各个指标都表现了管理者管理能力，故将其称之为管理因子。拓展因子：选取领导能力、学习能力指标作为因子 3 的代表性指标，因子 3 中的领导能力指标、学习能力指标、洞察能力指标表现了管理者在今后领导管理方面的拓展能力，故将其称之为拓展因子。通过上述分析，案例得到关于领导者管理指标的三个公共因子分别是：领导技能因子、管理因子、拓展因子。2.4 领导管理指标公共因子的方差贡献率分析 案例中公共因子方差贡献率分析的目的在于：分析提出的公共因子代表原始指标的程度。即分别分析了领导技能因子、管理因子、拓展因子，对原领导管理因子10 个指标的反映程度。具体分析分析结果见表： 各公共因子方差贡献率分析结果说明：根据因子方差分析表可知，因子 1 的其方差贡献率为22.99%；因子2 的方差贡献率为21.09%；因子3 的方差贡献率为19.72%。这三个因子能反映原来 10 个指标所描述特征的 63.79%。另外，通过分析高级管理人力资源价值领导管理因子协方差矩阵，可以判断提出的公共因子是否存在重复信息，若无重复信息则可以用这三个公共因子衡量领导者的管理水平。根据表 4.12 的因子协方差矩阵可知，三个主要因子已经相互正交，这三个因子在衡量管理者领导管理能力指标技能存量时己经没有重复信息，因此，案例可以使用这三个因子来衡量高级管理者的领导管理水平。2.5 根据因子系数得分表确定领导管理指标公共因子的权重比例 案例通过旋转后的高级管理者人力资源价值领导因子载荷矩阵和高级管理者人力资源价值领导管理因子方差分析表得到了各个公共因子及各因子的对领导因子的方差贡献率。经过进一步分析，通过领导管理因子因子得分矩阵表，则可以对各个因子赋予相应权重。分析结果说明：根据表 4.13 在因子分析中得到的因子系数得分矩阵，通过归一化处理，对领导技能因子、管理因子、拓展因子的赋予权重如下： 领导能力因子=18.53%战略决策能力+26.57%风险承受能力+32.66%人力资源管理能力+22.24%创新能力 管理因子=31.02%沟通能力+36.65%组织能力+32.33%团队协作能力 拓展因子=25.36%创新能力+38.60%学习能力+36.04%洞察能力 综上所述，案例通过对旋转后的高级管理者人力资源价值领导管理因子载荷矩阵，确定了反映领导管理因子指标的三个公共因子分别为：领导技能因子、管理因子、拓展因子。通过领导管理因子因子得分矩阵表，确定了各公共因子的权重构成比例。

3、个体与组织环境指标公共因子筛选 高级管理者人力资源价值个体与组织环境因子，反映了管理者本身的素质和人格特质及所在的组织环境对高级管理者人力资源水平发挥的影响。3.1 个体与组织环境指标分析及统计性描述 案例分析了高级管理者人力资源价值的理论及特性基础上，经过仔细甄选，选用了价值观、忠诚感、道德行为、敬业精神，这些具有代表性个体潜能发挥指标，反映高级管理者领导的素质对今后人力资源价值发挥程度的影响；选取乐观自信、理智、情绪稳定来反映人格特质对今后管理水平的发挥的影响；高级管理者所处的组织环境也决定着高级管理人力资源价值水平的发挥，案例选用了企业规模和职位这两个反映组织环境对管理者影响的因子。经过 SPSS 数据分析，高级管理者人力资源价值个体与组织环境因子因子总体描述性统计如表经过统计分析，分别得到具体指标的平均值和标准差。例如：价值观因素的平均得分为 5.75 分(赞同)，标准差为 1.004，标准差偏高，总体而言价值观的作用比较显著，但由于其标准差偏高，因此价值观在高级管理者人力资本价值中所体现的作用存在一定的差异性。3.2 个体与组织环境因子指标的相关性判定 相关系数实际上反映的是公共因子起作用的空间。偏相关系数反映的是特殊因子起作用的空间。在进行相关矩阵检验时采取KMO 样本测度和巴特利特球体检验法。KMO 越接近1，越适合做公共因子分析。KMO 过小，不适合于作因子分析。数据是否做因子分析，一般采用如下判断：KMO 在0.9 以上，非常适合；0.8-0.9，很适合；0.7-0.8，适合；0.6-0.7，不太适合；0.5-0.6，很勉强；0.5 以下不适合。利用 SPSS 分析后高级管理者人力资源价值个体与组织环境因子的相关性检验如下表： 个体与组织环境因子的相关性说明：KMO 样本测度的结果为：KMO 值等于 0.656，当 KMO 样本测度大于 0.6 的时候，此组数据适合做因子分析，巴特利特球体检验(Bartlett'sTestofSphericity)的了统计值的显著性概率输出结果为<1%。通过 KMO 样本测度和巴特利特球体检验的测算结果，表明案例选取的各代表个体与组织环境因子指标，适合采用因子分析法进行统计分析。3.3 利用 SPSS 软件提取个体与组织环境指标的公共因子 案例选用的是 Varimax（方差最大正交旋转），旋转后的因子载荷矩阵及因子得分系数都发生了变化，因子载荷矩阵中的元素更趋向0 或者正负1。在估计因子载荷矩阵和特性方差矩阵时，选用的方法为主成分分析法，统计分析的结果见表 旋转后的高级管理者人力资源价值个体与组织环境因子载荷矩阵，可以获得因子的代表性指标：在旋转后的因子荷重矩阵中，案例选取那些荷重较大的原始指标作为对应因子的代表性指标。领导素质因子：选取价值观指标、忠诚感指标、道德行为指标、敬业精神指标作为因子 1 的代表性指标，在因子 1 中，各个指标都表现了管理者的领导素质的要素，故将其称为领导素质因子； 人格特质及组织环境因子：选取乐观自信指标、理智指标、情绪稳定能力指标表明了高级管理者人格特质因子，企业规模指标、职位指标反映了高级管理者所在的组织环境对管理者的影响为因子 2 的代表性指标，故将其称之为人格特质及组织环境因子。通过上述分析，案例得到关于个体与组织环境的三个公共因子分别是：领导素质因子及人格特质及组织环境因子。3.4 个体与组织环境公共因子的方差贡献率分析 案例中公共因子方差贡献率分析的目的在于：分析人力资源价值计量指标中各因子作用大小的程度，即分别分析了领导素质因子及人格特质及组织环境因子，对原个体与组织环境因子9 个指标的反映程度。具体分析结果见表4.17： 各公共因子方差贡献率分析结果说明：根据因子方差分析表可知：因子 1 的其方差贡献率为22.64%；因子2 的方差贡献率为20.55%。这两个因子能反映原来9 个指标所描述特征的 50%。另外，通过分析高级管理人力资源价值个体与组织环境因子协方差矩阵，可以判断提出的公共因子是否存在重复信息，若无重复信息则可以用这两个公共因子衡量领导者的管理水平。根据表 4.18 的因子协方差矩阵可知，两个主要因子已经相互正交，这两个因子在衡量管理者个体与组织环境因子技能存量时己经没有重复信息，因此，案例可以使用这两个因子来衡量高级管理者的个体与组织环境对管理者的影响。3.5 根据因子系数得分表确定个体与组织环境指标公共因子的权重比例 案例通过旋转后的高级管理者人力资源价值个体与组织环境因子载荷矩阵和高级管理者人力资源价值个体与组织环境因子方差分析表得到了各个公共因子及各因子的对个体与组织环境因子的方差贡献率。经过进一步分析，通过个体与组织环境因子因子得分矩阵表，则可以对各个因子赋予相应权重。分析结果说明：根据表 4.19 在因子分析中得到的因子系数得分矩阵，通过归一化处理，对领导素质因子及人格特质及组织环境因子赋予权重如下： 领导素质因子 =18.89%价值观+27.64%忠诚感+27.88%道德行为+25.59%敬业精神 人格特质及组织环境因子=14.54%乐观自信+18.68%理智+17.11%情绪稳定 +26.32%企业规模+23.35%职位 综上所述，案例通过对旋转后的高级管理者人力资源价值个体与组织环境因子载荷矩阵，确定了反映个体与组织环境因子指标的两个公共因子分别为：领导素质因子及人格特质及组织环境因子。通过个体与组织环境因子因子得分矩阵表，确定了各公共因子的权重构成比例。

五、结果分析 案例首先应用因子分析法分别对隐性指标因子、领导管理因子、个体与组织环境因子进行了公共因子筛选，确定了评价高级管理者人力资源价值的 9 个公共因子，它们分别是：领导能力因子、管理因子、拓展因子、职业因子、工作经验因子、教育投资因子、个人体能因子、领导素质因子、人格特质及组织环境因子。验证了各公共因子可以较好的反映高级管理者人力资源价值，并通过因子系数得分矩阵确定了各个公共因子的构成比例如下： 职 业 因 子 =31.67%社会资本+36.66%职业背景+31.67%职业生命周期 工作经验因子 =30.39%任职时间+34.10%薪酬+35.51%年龄 个人体能因子 =59.5%体质能力+40.5%心理能力 教育投资因子 =53.14%学历+46.86%天赋 领导能力因子 = 18.53%战略决策能力+26.57%风险承受能力+32.66%人力资源管理能力 +22.24%创新能力 管理因子 =31.02%沟通能力+36.65%组织能力+32.33%团队协作能力 拓展因子 =25.36%创新能力+38.60%学习能力+36.04%洞察能力 领导素质因子 = 18.89%价值观+27.64%忠诚感+27.88%道德行为+25.59%敬业精神 人格特质及组织环境因子=14.54%乐观自信+18.68%理智+17.11%情绪稳定+26.32%企业规模+23.35%职位

六、简单应用举例——高级管理人员的选拔 思路：如下图 求得每位被考核人员的平均总得分 根据各位被考核人员平均总得分排序 各位专家分别利用打分表对每位被考核人员打分（见下表）根据所得相关权重汇总每位专家关于每位被考核人员的总得分 专家打分表如下表所示 编号 指标 非常好 很好 好 比较好 一般 比 较差 差 很差 非 常差 1 学历 2 天赋 3 社会资本 4 任职时间 5 职业背景 6 职业生命周期 7 薪酬 8 年龄 9 体质能力 10 心理能力 11 领导能力 12 战略决策能力 13 风险承受能力 14 人力资源管理能力 15 创新能力 16 学习能力 17 洞察能力 18 沟通能力 19 组织能力 20 团队协作能力 21 价值观 22 忠诚感 23 道德行为 24 敬业精神 25 乐观自信 专家打分表 20 位专家对其中一位被考核者打分如下表所示： 说明：以上 9 个公共因子中有两个指标完全是由客观指标数据构成，这两个公共因子是：职业因子和工作因子。所以每位专家关于这两项因子的打分结果是一样的。最后根据因子的权重确定最后得分。26 理智 27 情绪稳定 28 企业规模 29 职位

第三篇：国内典型高新区 技术创新 创新能力评价 因子分析法论文（推荐）

国内典型高新区论文：国内典型高新区技术创新能力比较研究

【中文摘要】高新技术产业开发区是科技创新的摇篮,是实现高新技术产业化的重要基地,技术创新是发展高技术产业的基本前提,是实现经济可持续增长的新引擎。国内典型高新区拥有丰富的创新资源,聚集了大量高新技术产业,是众多高新区中的佼佼者。然而,当前我国高新区的发展主要依靠土地、资金等要素驱动,并且更多依靠各种优惠政策,忽略了技术创新对经济增长的重要作用。本文试图通过对高新区技术创新能力进行比较分析,发现国内典型高新区在技术创新能力方面的缺陷与不足,为促进高新区技术创新能力的提升提供理论依据。本文以科技部相关指标体系为基础,结合高新区发展特点,建立技术创新能力指标体系,使用因子分析法对国内54个国家级高新区的技术创新能力进行比较分析,并从15个指标中提取4个公因子,分别从技术创新获利因子、技术创新投入因子、技术创新交易因子、技术创新成果因子四个方面对国内典型高新区技术创新能力进行综合评价。分析结果显示,国内典型的六个高新区综合排名位于全国前列,其中北京排名第一,上海排名第二,深圳排名第五,西安排名第六,成都排名第七,武汉排名第九。虽然国内典型的六个高新区在发展进程中取得了可喜的成绩,但是在技术创新过程中仍然存在着一些...【英文摘要】The high-tech zones are not only the cradles of technological innovation, but also the important bases to

implement the high-tech industries.Technological innovation is the basic premise of the development of high-tech industry.It is also the new engine to achieve sustainable economic growth.The typical domestic high-tech zones are leaders in many high-tech zones, which are rich in innovation resources and gathered a large number of high-tech industries.But now, the high-tech zones based on the land, ca...【关键词】国内典型高新区 技术创新 创新能力评价 因子分析法

【英文关键词】the Typical Domestic High-tech Zones Technological Innovation Innovation Capacity Factor Analysis 【目录】国内典型高新区技术创新能力比较研究3-4Abstract4-5

第一章 导论9-151.1.1 研究背景9-10

摘要1.1 研究1.1.2 研1.2.1 研究背景和研究意义9-10究意义10方法10-1112-1415-22的起源1515-161.2 研究方法和研究内容10-121.2.2 研究内容11-121.4 本文的贡献14-152.1 技术创新理论综述

1.3 研究思路第二章 文献综述

15-172.1.1 创新理论2.1.2 技术创新理论的进一步发展2.1.3 技术创新概念的研究综述16-17

2.2.1 国外研究综述

2.3 技术创新能力评价

2.2 技术创新能力概念的研究17-1817-182.2.2 国内研究综述18的研究18-20研究综述19-2020-2220-2222-28

2.3.1 国外研究综述18-192.3.2 国内

2.4 高新区技术创新能力的研究

2.4.2 国内研究综述2.4.1 国外研究综述20第三章 技术创新能力与国内典型高新区发展3.1 国内外创新型科技园发展经历22-24

3.1.1 国外创新型科技园发展过程22-23发展状况23-24究24-26

3.1.2 国内创新型科技园

3.2 国内典型高新区技术创新能力的现状研

3.2.2 3.2.1 选择国内典型高新区的依据24

24-26国内典型高新区技术创新能力发展现状高新区技术创新能力的功效26-28内典型高新区产业结构升级26-27升国内典型高新区竞争力27高新区经济增长27-28的构建28-39原则及功能28-3028-29

3.3 国内典型

3.3.1 技术创新能力与国3.3.2 技术创新能力与提

3.3.3 技术创新能力与国内典型第四章 高新区技术创新能力评价模型

4.1 高新区技术创新能力评价指标体系构建的4.1.1 评价指标体系构建的原则

4.2 高4.1.2 评价指标体系构建的功能29-30

30-33新区技术创新能力评价指标体系的构建标的设置30-31

4.2.1 评价指

4.3 高

4.2.2 评价指标的诠释31-33新区技术创新能力综合评价方法33-39能力评价方法比较分析33-3535-3939-57

4.3.1 多种技术创新

4.3.2 因子分析模型第五章 国内典型高新区技术创新能力的评价与比较5.1 数据来源与处理39-45

5.1.1 数据的收集

整理39-425.1.2 原始数据无量纲处理42-45

45-54

5.2 国内典型高新区技术创新能力因子分析新区技术创新能力比较分析54-57区技术创新能力的对策建议57-62创新投入力度57-58创新经费投入力度57-5858-59

5.3 国内典型高

第六章 提升国内典型高新6.1 加大园区内企业技术

6.1.1 增强自主创新和引进消化吸收再6.1.2 加大创新人才投入强度6.2 加大产学研合作力度,大力发展产业联盟6.2.1 加大产学研合作力度

6.2.2 大力发展产业联盟58-5959-60

6.3 建立以企业为核心的技术创新体系

6.3.2 完善科6.3.1 确立企业创新主体地位59技中介服务机构59-6060

6.3.3 营造良好的创新环境

6.4.1 制6.4 建立健全相关的政策法规体系60-62定财政税收政策60-6161-6262-64问题63-64

6.4.2 构建知识产权保护体系第七章 本文总结及有待进一步研究的问题7.1 本文的结论62-63

参考文献64-67

7.2 有待进一步研究的附录67-69致谢70

攻读硕士学位期间取得的科研成果69-70

第四篇：基于因子分析法的上市新股绩效状况实证分析论文

【摘要】中国证券市场进行了股权分置改革后，投资者对股市投资热情加大。为了达到规避风险，客观的评价尤为重要。本文借助因子分析的方法，运用运用SAS9.3和SPSS18.0等统计软件对2014年上市新股的财务报表中的十二个主要指标应用多元统计分析方法中的因子分析法进行了总体评价，分析结果表明，新股市场发展蓬勃，具有发展潜力和增值空间，但是个股的绩效水平存在较大差异。

【关键词】因子分析上市新股绩效分析

一、引言

我国证券市场日趋发展壮大，股票投资已逐渐成为国民主要的投资途径。然而投资者面对的是不同行业、不同背景的上千支股票，为了达到规避风险，保值增值的目的，除了进行政策面分析外，还要对这些股票进行理性、客观的评价，特别是那些长线、稳健型的投资者，就需要选择有价值的股票，显然股票评价尤为重要。

宏观上，投资收益受国家经济形势，行业政策等方面影响，这对于投资者来说是不可控因素。但是投资者可以从微观上，根据上市公司定期公布的财务报表，对上市公司财务状况进行全面的剖析，因为财务报表既反映了公司的财务状况，同时也是公司经营状况的全面反映。多元统计中的因子分析法可以对上市公司的财务状况进行定量分析，从一系列报表数据中，对股票投资价值进行综合评价。

二、因子分析

因子分析是一种有效的降维和信息浓缩技术，通过变量(或样品)的相关系数矩阵(对样品来说是相似系数矩阵)出发所做的内部结构的研究，找出能控制所有变量(或样品)的少数几个不可观测的随机变量，我们称其为因子，通过因子去描述多个变量(或样品)之间的相关关系。具体来说，因子分析的主要应用有两个方面：一是减少分析变量个数;二是通过对变量间相关关系探测，将原始变量进行分类，即将相关性高的变量分为一组，用共线性因子代替该组变量。因子分析常分为R型因子分析(对变量做因子分析)和Q型因子分析(对样品做因子分析)，本文所用的因子分析为R型因子分析。

三、xxxx年上市新股绩效实证分析

(一)样本选择和数据说明

本文选取2014年新上市的153支新股上市公司为研究对象，由于部分上市公司年报数据的缺失为未纰漏，剔除掉数据缺失的13支股票，最终选取140支上市新股。根据2014证券终期报告中的信息和数据，选择Xl-主营业务利润率，X2-每股净资产，X3-净资产周转率，X4-总资产周转率，X5-资产负债率，X6-流动比率，X7-净利润增长率，X8净资产增长率，X9-净资产收益率，Xl0-总资产收益率，X1.1-资本金收益率，X12-每股收益，共十二项财务指标，试图将它们进行分类，为股票的分析和选择提供依据。

(二)上市公司经营绩效的因子分析

本文主要采用的是SPSS18.0数据分析软件来进行上市公司绩效分析，利用该软件中的因子分析法对选取样本中的标准化数据进行处理，得到相关的系数矩阵图。

从指标间的相关系数阵可以看到，大多数指标间的相关系数大于0.6，再次为对原始数据的因子分析提供了可靠性保证。

四、总结与建议

通过上述因子分析，我们将上市新股的12个观测指标简化为4个具有现实意义的可解释的公因子，在计算因子得分后我们依照四个公因子的得分按大小对上市新股进行排序，得出经营绩效排名。

基于上述分析结果，笔者分别针对股票投资者和新股上市公司给出建议。

(一)降低投资风险的建议

对于股票投资者而言，中国的股票市场是一个不成熟的市场，盲目性很大，波动性很大。原因在于市场治理制度的不完善，上市公司造假作假现象层出不穷。对于普通投资者而言，应该掌握基本的股市常识，拒绝盲目跟风，轻信所谓黑幕，不仅需要借助专业的手段来甄别信息的真伪，更需要依靠股市知识去解读信息背后的市场含义。最后，应结合国家的宏观政策，做出理性正确的投资选择。

(二)提升新股上市公司经营能力的途径

对于新股上市公司的发展而言，上市公司增发新股，应将投资者的利益放在首位，而非一味融资。可以从以下两个方面提高经营绩效：

第一：树立战略管理理念，积极应对产业变革。对于大多数新股上市公司而言，企业大多数时候盲目跟随市场的原因在于缺乏战略管理。其后果会致使企业陷入多元化陷阱，最终被市场所淘汰。

第二，构建以股东为导向的公司治理结构。由于上市公司的员工并没有拥有股票，所以“一股独大”在我国演变为公司员工危害股东权益的现象。为此，只有真正建立起为股东导向的公司治理模式才能根本克服上市公司的造假行为。

第五篇：GPS数据处理

《GPS数据处理》课程总结报告

班级：地101 学号：2103071011291 姓名：常悦

成绩：

北京建筑工程学院.测绘与城市空间信息学院

二零一三年.五月 《GPS数据处理》课程总结报告

1.GPS数据采集的基本作业流程

2.GPS数据处理涉及的计算公式

第 2 页，共 8 页

《GPS数据处理》课程总结报告

基线向量解：

3.GPS数据处理的质量检验方法与公式

基线向量的改正数。

根据基线向量的改正数的大小，可以判断出基线向量中是否含有粗差。具体判定依据，若：，则认为基线向量中不含有粗差；反之，则含有粗差。邻点的中误差和相对中误差。

若在进行质量评定时，发现有质量问题，需要根据具体情况进行处理，如果发现构成GPS网的基线中含有粗差，则需要采用删除含有粗差的基线、重新对含有粗差的基线进行解算或重测含有粗差的基线等方法加以解决；如果发现个别起算数据有质量问题，则应该放弃有质量问题的起算数据

公式：

4.GPS数据处理的基本流程

基本流程：

1、数据预处理

与外业记录对照，修改观测文件中的一些参数：

（1）检查外业观测数据

第 3 页，共 8 页 《GPS数据处理》课程总结报告

（2）点名的编辑

（3）天线高检查或编辑

（4）。。

2、基线解算

（1）设置基线解算的参数（使用的卫星，卫星高度角，对流层电离层模型 等）

（2）基线解算

（3）察看基线报告，不同的软件成果质量判断不一样，LGO是看各个检验

（4）对于有问题的基线或其残差过大，可采用开窗删星等手段处理

（5）继续解算，重复（2）（3）（4）过程，直到得到满意的结果

3、无约束平差

（1）设置平差参数

（2）平差分析

（3）计算闭合环

（4）平差

（5）看平差报告

4、约束平差

(1)新建椭球投影坐标系

（2）导入控制点

（3）控制点匹配

（4）约束平差

5.GPS商业处理软件的使用

5.1 Trimble软件的使用

1．使用数据模块建立项目 2．输入样本文件

3．导入NGS成果表文件 4.导入GPS数据文件 5.properties窗口查看实体 6.处理gps潜在基线 7.评估结算结果

8.查阅gps基线处理报告 9.使用时序器处理星历 10.计算gps环闭合差 11.计算最小约束网平差

12．查看RTK和常规测量数据 13.输出数据

5.2 Compass软件的使用 安装，注意安装完毕按照说明进行破解。并且不能安装在中文目录名内，而且英文字符 不

第 4 页，共 8 页 《GPS数据处理》课程总结报告

能超过 8 位。安装完毕运行首先进行单位设置，推荐使用国际单位 SI 标准，方法是点击 Utilities 菜 单，选择 units 再调入预设的 SI 单位集合即可，注意此时狗腿度的单位是 度/30m，可 以根据个人习惯进行调整。第一次使用首先建立一个新公司（company）如二勘、六勘等等，注意在 company 对话 框内一定要选择中国钻井行业规定的标准－曲率半径法（Radius of Curvature），并且根 据需要选择坐标的原点（Co-ordinate）是区块site的中心还是井口（slot）的中心。如 果不涉及防碰，不需要比较两井的相当位置时，建议选择井口的中心作为原点。4 建立一个油田（field）如胜利、大庆、塔指等等。建立一个区块（site）如哈得、塔河等等。可以输入本区块的中心坐标（如果愿意）。6 建立一口井（well），名字用井号如：轮古 37 等等，并输入本井的井口坐标。建一个轨道（wellpath），一口井可以建立数个轨道。并可以指定其中的一个为确定的（definitive）轨道。选择 EDIT编辑－Wellpath（轨道）－targets（靶点）菜单（或直接点工具栏的按钮），进入靶点设计，输入靶点的名字、垂深、坐标、形状，保存退出。选择 Planning－new plan 菜单，输入轨道设计的名字和起始点，进行轨道设计。选择 Survey－new survey 菜单，输入测量过程的名字和起始点，进行实际测量的参数计 算。实际使用过程中，每进行一次测量都要重复 9 的过程建立一个以最后测量点为起点的新 设计，随时调整下一步的定向方式。

6.RINEX格式的作用

RINEX格式已经成为了GPS测量应用等的标准数据格式，几乎所有测量型GPS接收机厂商都提供将其格式文件转换为RINEX格式文件的工具，而且几乎所有的数据分析处理软件都能够直接读取RINEX格式的数据。这意味着在实际观测作业中可以采用不同厂商、不同型号的接收机进行混合编队，而数据处理则可采用某一特定软件进行。

7.RINEX格式的观测文件读取程序说明

基于matlab语言开发程序。

Rinex格式文件：

由程序命令一个字串一个字串的进行，然后根据文件头的取舍将有效数据重新组合平面数据矩阵（二维）或立体数据矩阵（三维）。一般情况下，当读取指定的字符串（如“END OF HEADER”）时，即开始读取有效数据，在上述观测文件和导航文件中，有效数据为字符串“END OF HEADER”以后的数据 相关函数：

fopen 开启所要读取的文件

fscanf 读取所开启文件中的资料

textread 读取所开启的文本文件中的资料

第 5 页，共 8 页 《GPS数据处理》课程总结报告

strcmp 比较两字串是否相同

8.RINEX格式的导航文件读取程序说明

同样基于matlab语言程序。

因观测文件和上述星历文件的头文件包含的信息量不同，观测头文件中包含有很多有效 信息，所以必须对头文件进行必要的细致读取。认为主要是1)“ANTENNA: DELTA H/E/N”2)“'APPROX POSITION XYZ”3)“# / TYPES OF OBSERV”，这三行数据对整个数据把握和以后的运算有帮助。

在读主要的观测值时，采用的思路也是将所有的观测值看做是全矩阵（立体）的矩阵组成，将同历元的数据放在一个二维矩阵中，有n颗卫星，m类观测值如载波相位观测值、伪

距观测值、多普勒观测值等，然后将所有的观测值进行组装。如下图（部分），最终形成了7×７×31的一个大型矩阵，因最终进行计算的时候为了循环的需要，同时对应于按照时间的顺序组织矩阵，所以要对这一中间过程进行排序（按照星历文件卫星号的排列顺序）。其读取结果如表4，其中，midobs(:,:,31)表示第31个采样间隔里所有的观测值，第一、二列为L1、L2相位观测值(cycle)，第三列为L1的C/A伪距观测值(m)，第四、五列P1、P2为L1和L2的P码伪距观测值(m)，最后两列为L1和L2的多普勒伪距观测值(Hz)根据所需要的定位方式（载波定位、伪距定位等），合理的对读取数据的结果进行取舍，方式就是根据行列号提取或者将所选以外的数据进行赋值为空（NULL）。

9.GPS单点坐标计算公式及流程图

1.计算卫星运动的平均角速度n n = n0 + Δn 2.计算观测瞬间卫星的平近点角M M =M0 + n(t-TOE)3.计算偏近点角

E = M+ esinE E°=M°+ ρ°·esinE° 4.计算真近点角f

5.计算升交距角u′ u′= ω+ f 6.计算摄动改正项δu , δr , δ

第 6 页，共 8 页 6 《GPS数据处理》课程总结报告

7.对u′、r′、i0 进行摄动改正

8.计算卫星在轨道面坐标系中的位置

9.计算观测瞬间升交点的经度L

10.计算卫星在瞬时地球坐标系中的位置

11.计算卫星在协议地球坐标系中的位置

10.个人课程总结【1000字】

近年来，GPS测量定位理论和软件科学的进步促进了不同功能GPS数据处理软件的发展，为了满足不同领域的应用需求，GPS数据处理软件不断问世。对于一个测量工作者来说选用一种好的数据处理方法和软件对GPS数据结果影响很大。然而众多的后处理软件以及不同的处理方法使我们的测量工作者带来多样的选择。尽管不同软件在数据处理方法上各有其特点，但它们的总体结构基本上是一致的，即由数据准备、轨道计算、模型改正、数据编辑和参数估计5部分组成。究竟，哪一种GPS数据处理软件性能更好？那一种GPS数据处理软件的处理精度更高呢？本文就将针对国内外几种常用GPS后处理软件进行比较分析，其中包括南方国内公司开发的GPS后处理软件、Ashtech Solutions2.6平差软件、中海达HDS2003、Trimble TGO、leica Geo Office五种软件。

一般情况下数据处理流程应该有很多个的过程，才能够保证数据满足工程需要，根据资料一般有以下步骤：野外数据采集——数据传输——手簿输入——数据加工——数据预处理——基线解算——重复基线检验——同步环检验——异步环检验（以上为当天应完成的任务）——重测与补测——WGS-84无约束平差——网精度分析——北京54/80/地方独立中三维无约束平差——三维约束平差——二维平差——成果报告——技术总结。网平差应该是整

第 7 页，共 8 页 《GPS数据处理》课程总结报告

个数据处理的核心内容，直接关乎数据的质量。

软件只是实现了网平差的解算，更重要的是需要用户参与，并最终作出正确的判断。应当说明的是，这通常是一个反复的过程，虽然在实验报告当中看起来只是一个小部分，但那是因为这主要由计算机进行解算，并且只考虑了一次成功的情况，而事实上可能要许多次才能够完成。

通过这门课程，我学习到了许多关于计算gps的基础知识和有关gps测量的工具使用和gps计算工具的使用方法。同时，我不仅对GPS原理有了更深入的了解，还对GPS外业数据采集和内业处理有了一定的理解。这个课程不仅是对动手能力的一种提升，更是对理论知识的一次综合性巩固。虽然测量是一门实践性很强的学科，但是也要求我们掌握扎实的理论知识，如果没有扎实的理论功底，只知道怎么做，但是不知道为什么那么做，当我们遇到类似的其他问题时，就不知道怎么解决。所以我觉得理论是实践的前提，只有把理论知识学好，才能更好的促进实践。所以我们要学好理论知识，为以后的工作打下坚实的基础。当然理论知识学好了，动手能力也要努力培养，不能只会纸上谈兵，所以我们要多动手，提高自己的动手能量，并在实践中促进巩固理论知识。只有理论是实践这两个环节都做好，我们才能更好的掌握理论知识，提高自己的动手能力。

第 8 页，共 8 页 8